摘要
永磁同步电机在新能源汽车、电驱动系统以及工业伺服应用中得到了广泛应用。永磁体温度过高可能导致其磁性能下降，甚至出现不可逆的退磁现象；因此，准确估算永磁体温度具有重要意义。然而，现有的数据驱动方法大多依赖高频测量数据，且在低频采样条件下预测精度会下降。此外，纯数据驱动模型缺乏明确的物理约束，这限制了它们的可解释性和泛化能力。为解决这些问题，本研究提出了一种基于物理原理的长短期记忆模型用于永磁体温度预测。该模型利用永磁同步电机的d–q轴电压平衡方程构建了基于物理的损失函数，同时在网络优化过程中将d轴和q轴的电感视为可训练参数。这样的设计使得温度预测任务与电磁约束能够同步优化。研究使用了公开可用的电动机温度数据集进行了多工况实验，并将所提模型与CNN、GRU、MLP-PINN和TNN模型进行了对比。此外，还通过不同降采样比例、高温区域误差、参数敏感性、物理参数识别以及输入特征影响等方面的实验，对所提模型进行了全面评估。实验结果表明，PINN-LSTM模型具有最佳的总体预测性能，其平均绝对误差为1.6048℃，均方根误差为2.1890℃，R2值为0.9861，优于所有对比模型。该模型在高温区域的预测精度也保持较高水平，平均绝对误差为1.363℃，均方根误差为1.896℃。此外，模型学到的参数能够有效再现测试工况下d轴和q轴电压的变化趋势。对温度系数的敏感性分析进一步表明，该模型对关键物理参数的偏差具有较强鲁棒性。这些结果说明，所提出的方法能够在低频采样条件下实现准确且可靠的永磁体温度预测，为电机热状态监测和健康管理提供了有效的解决方案。
